VBR视频业务的混沌特性研究

基于混沌理论的相空间重构技术,分别用自相关函数法和伪邻点法计算4条标准VBR(Variablebitrate)视频流I帧序列、GOP(groupofpictures)序列的时间延迟与最小嵌入维数;并在此基础上,利用Wolf算法得到其均具有正的最大Lyapunov指数。这一研究结果表明VBR视频业务在不同时间标度上均具有混沌特性,这为VBR视频业务的混沌建模和预测奠定了基础。     

基于混沌预测的IP网动态QoS实现

综合业务应用的IP网络其流量具有突发、混沌与多重分形特征,本文利用混沌相关理论对实测的综合业务IP网络流量进行了混沌特性分析与预测,验证了IP网络流量具有典型混沌特征,证实了混沌预测方法在短期流量预测方面具有较高的预测精度;针对综合业务应用IP QoS的两种保证模型DiffServ与IntServ,本文基于DiffServ模型在核心、骨干网络中的良好适应能力及混沌预测在短期信号预测方面的优良特性,提出了基于预测的区分业务模型实现框架及基于混沌预测的动态QoS实现算法。通过OPNET的网络仿真实验表明,与传统的静态QoS参数配置方法和基于测量的动态QoS设置方法相比较,本模型及方法在网络重负载环境下使各业务的QoS性能指标及网络总体吞吐量均得到有效改善。     

一种快速视频序列混沌特性的检测方法

随着现代轨道交通旅客信息系统（PIS）的广泛使用,PIS系统视频流的车/站互传的流量预测问题变得更加重要。在旅客信息系统通过无线信道传输的视频流,通常不具有任何先验统计特性,而无线资源管理过程中又非常需要关于视频流量的可预测统计信息。基于这种需要,本文提出一种快速视频混沌特性检测的方法。该方法通过计算序列的最大Lyapunov指数分析其混沌特性,为使用混沌的预测方法估计视频传输流量进行预判决。在对Lyapunov指数进行计算前,先对数据进行预处理,在不损失数据内在特征的前提下,明显地降低计算量。通过对实际数据的仿真验证,证明该算法在判断准确性、实时性等方面均表现良好。     

基于混沌理论的铁路客货运量预测研究

应用混沌理论的相空间重构方法,分析与铁路运量相关的12组时间序列,分别计算它们的嵌入延迟时间、嵌入维数、关联维数、最大Lyapunov指数等混沌统计量,并以此为依据判断12组时间序列的混沌特性。结果显示:铁路客货运量及周转量不具有混沌特性,对应的4组时间序列不是混沌的;铁路客货运量、周转量的增量及增长率都具有明显的混沌特性,它们对应的8组时间序列是混沌的。在识别是否混沌的基础上,应用基于最大Lyapunov指数预测方法,对铁路客货运量、周转量进行预测检验及预测结果分析。     

基于最大Lyapunov指数的铁路货物运量预测研究

根据混沌理论具有分析非线性动态系统混沌特性的特点,对货物发送量相关时间序列进行了分析和研究。本文在Takens相空间重构的基础上,利用C-C方法求嵌入时延与嵌入窗、G-P方法求嵌入维数;应用小数据量法计算铁路货物发送量相关时间序列的最大Lyapunov指数,并进行混沌特性分析,结果显示:货物发送增长量和增长率符合混沌特性,货物发送量不符合混沌特性;利用基于最大Lyapunov指数方法和BP神经网络方法对1999年1月到2013年4月共172个月的铁路货物发送增长量和增长率进行预测,预测结果表明基于最大Lyapunov指数预测值能够较好地与实际值相吻合,其预测的准确度明显好于BP神经网络预测值,因而混沌理论中的最大Lyapunov指数预测在货物发送量相关时间序列预测中有广泛的实用价值。     

一种基于小数据量的快速识别短时交通流混沌特性的方法

对短时交通流进行预测、诱导和控制是智能交通控制系统的重要研究内容。由于对短时交通流进行混沌特性识别时,存在实时性与样本数量之间的矛盾。因此,本文基于混沌时间序列分析理论,提出了一种快速计算短时交通流时间序列最大Lyapunov指数的小数据量方法,用于识别短时交通流中是否存在混沌特性。该方法首先将短时交通流时间序列在相空间中进行重构,以充分提取短时交通流中的相关信息。并结合庞卡来截面法对识别结果进行了验证。从而为对短时交通流进行分析、预测和控制时所采用的相应方法提供了可靠的理论依据。对实测短时交通流行为进行识别的结果表明,该方法具有计算量小、实时性好,对小数据量可靠且容易操作等优点。     

视频监控技术业务的发展趋势

对视频监控技术及业务进行了全面的分析,对视频监控技术的发展过程以及发展方向进行了详细阐述,并对视频监控业务的发展进行了探讨。     

基于多个非线性映射模型的单向Hash函数算法研究

鉴于单个混沌映射模型构成的单向Hash算法的安全性差、易被预测等问题,本文提出了基于多个非线性映射模型的单向Hash函数算法.即在构建产生多种混沌序列的多个混沌映射模型的基础上,根据切换策略在明文信息的不同位置产生不同的混沌序列,并用线性变换后的信号信息对混沌参数进行调制来构造单向Hash函数.通过仿真进行该算法的单向性、运算速度、碰撞等性能分析.研究结果表明: 较基于单一混沌映射的Hash函数而言,该算法具有实现简单、运算速度快、抗碰撞性能好等优点,具有一定的应用价值.     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

ATM网中一种新的VBR视频会议业务源模型的统计分析

研究了ＡＴＭ网中ＶＢＲ编码的视频业务模型，提出一阶自回归、瑞利分布残差而不是高斯分布的ＡＲ序列模型－ＲＡＲ（１）。实验表明，该模型能产生足够多的大信元帧数，这对于研究信元丢失率特性具有至关重要的影响，而且它的产生十分简单、实用，其自相关函数逼近负指数衰减；稳态概率分布可调整为Ｇａｍｍａ分布和端利分布。以瑞利分布作为ＶＢＲ比特率分布模型，统计复用的数值结果表明，在较少（１６个）ＶＢＲ信源复用时十分逼     

宽带IP网中VBR视频流量的建模与预测

VBR视频信息即将成为宽带IP网的主要流量,在考虑网络资源利用率和动态带宽分配等方面,其中一项重要的内容就是VBR视频建模及其流量预测。本文在分析VBR视频流量主要特点的基础上,阐述了视频建模时应当注意的关键问题及其流量预测过程中应用的数学方法,并给出了若干典型的VBR视频流量模型。     

基于滞回分配的VBR视频流量带宽管理方案

基于VBR视频流量预测提出了一种新的动态带宽分配算法———滞回算法。与Girish提出的门限算法和Youssef提出的基于GOP场景检测的带宽分配方案相比,对缓存尺寸的需求、信元丢失率等性能有明显提高。大量的仿真表明,该算法能够以较低的开销(带宽重分配次数百分比≤2%)同时兼顾了CLR和带宽利用率,而且只有在缓存队长超过迂回门限时才触发带宽重分配过程,有利于在线实现。     

基于Markov链修正的铁路运量灰色组合预测模型研究

预测模型的准确与否直接决定着未来经济规划与决策的有效制定。将灰色GM(1,1)-Verhulst组合预测模型与马尔可夫链方法相结合,同时引入信息熵理论的知识,提出基于Markov链修正的熵权法灰色组合预测方法,并以甘肃省2004年～2015年铁路客运量作为原始数据序列进行模型拟合,而且还以此为基础对甘肃省未来几年内的客运量发展趋势进行预测。结论:(1)在已知实际客运量年份内,该灰色组合预测模型的预测精度比单一灰色预测模型更高、更加准确;(2)采用马尔可夫链方法获得该组合模型的偏差规律,并依照此规律对预测结果进行修正,即由一个单一的预测数值修正成为区间和概率组成的预测范围;(3)通过比较2016年～2017年的客运量实际值、组合预测模型的单一预测值和Markov链修正的预测区间值,发现Markov链修正的预测结果与客运量实际值的吻合性良好,进一步验证此预测方法的可信性。     

灰色理论在铁路客运量预测中的分析研究

针对传统灰色预测模型存在对历史数据依赖性强、容错性小及抗干扰能力差的局限性，将无偏灰色理论与残差验证理论引入预测模型，从趋势曲线灰色拟合与状态分类方式上对传统灰色模型进行改进，提出无偏灰色预测铁路客运量方法；同时，对铁路客运量预测方法从定性预测和定量预测两个方面进行阐述并对其优缺点进行分析。依据建立的无偏灰色预测铁路客运量模型，以1997—2016年铁路客运量为基础数据，对铁路“十三五”时期的数据进行预测，通过残差检验和结果分析，其预测精度明显高于BP神经网络预测。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。